基于嵌入式系统的运动目标检测与跟踪算法研究(3)
光流分析法是通过分析目标运动过程中产生的光流场来检测运动目标的。这种算法在摄像头移动的情况下依然可以检测出运动目标。但该算法设计复杂且实时性较差，一般很少采用。
而背景差法的检测方法是将每一帧图片与设定好的背景图片做差，当差值大于设定的阈值时就判读为出现运动目标。通过分析阈值操作之后得到的结果，就可以判断出被检测目标的大小、形状等特征。但该检测方法可靠性不高，环境，光线等外界条件的变化对目标检测效果的影响都非常大。
本实验中的摄像头是固定的，通过对几种方法的对比，最终选择了改进的三帧差分法。三帧差分法的具体实现过程将在第三章中详细介绍。
2.2 运动目标跟踪算法分析
视频运动目标跟踪是与检测紧密相连的。分析视频序列的目的不光是为了检测出运动目标，还要了解该目标的位置，大小以及运动的趋势。通过目标的这些特征，就能够即使调整摄像头的位置和角度，实现连续拍摄和跟踪。运动目标跟踪是对视频中的运动目标进行进行空间上的监视，包括被跟踪目标的大小，方位和形状等。运动目标跟踪的实质就是在连续的视频帧之间创建基于速度、颜色、形状、大小等目标特征的联系[10]。
目标跟踪的目的在于判断在视频监控中是否有新目标进入，并且当有新目标进入时，为新检测到的目标初始化跟踪模型。另外一个目的是为了建立通过背景差方法得到的对象与被跟踪对象之间的联系以及通过运动目标跟踪算法来预测目标的运动趋势。
在假设运动目标做平滑运动且不会突然出现或者消失的前提下，在视频中跟踪运动目标比较容易实现。但是实际的工程经验告诉我们，有很多的因素都会影响跟踪效果：
1）由于噪声、阴影以及光线强度等外部环境的变化，视频采集的图片也会产生变化，这就会对跟踪产生影响，导致被跟踪对象的特征变得模糊，进而导致跟踪失败或者跟踪错误。
2）当视频中出现多个目标，尤其是当这些目标出现重合时，也会影响跟踪效果。
3）当跟踪对象的特征出现改变，比如现状的变化时，也会影响对该目标的跟踪。
4）在实际应用中的某些要求也会影响跟踪效果。比如当系统的实时性要求特别高时，就不得不对系统的跟踪效果做出一定的牺牲。
一个优秀的运动目标跟踪系统，应该根据自己的跟踪目标的特点以及应用环境来选择和开发出适合自己的算法。
目前致力于运动目标跟踪算法的研究很多，但总的来说可以分为两类，即基于运动的方法以及基于模型的方法。基于运动的跟踪方法相对来说比较灵敏，但在跟踪非刚性运动的目标时显得比较吃力。基于模型的方法基本都是利用高层语言描述和方法来实现的，因此与基于运动的方法相比较来说，基于模型的方法更加可靠。但为了良好的跟踪效果，基于模型的方法需要建立一个复杂的模型。因此需要付出巨大的运算带价。
另外一种分类方法则是将跟踪算法分为了基于统计学的方法以及确定的方法两种。基于统计学的方法主要有卡尔曼滤波[11]、粒子滤波[12、13]等。确定的方法主要有Meanshift算法以及Camshift算法。
本文中采用的算法是Camshift算法。Camshift 算法的核心是 Meanshift (均值漂移算法),Meanshift思想早在1975年就被Fukunaga等人提出,其算法在进行直方图的计算时,通过对每个像素点进行核函数的加权运算来判断待选择区域以及跟踪目标模板的背氏距离是否达到了最大值。并以此来判断是否找到了被跟踪目标的质心。Camshiftt算法以颜色直方图为待跟踪目标的模板,通过反向投影得到待跟踪帧的颜色概率分布图,通过这个分布图来计算跟踪目标的中心，并且将搜索窗口的中点移动到这个中心处。Camshift算法的实现过程将在第三章中做详细介绍。